情感分析

1，我觉得你操之过急。第一次见面就说关系能不能改变啊，放手之类的，女人嫁老公也是要挑选的，第一次谁敢就凭你的一腔热血就跟了你啊~还有放手这类电视剧语言以后就不要使用了，怪矫情的，没准她正拿着你的短信笑话你呢

2，作为一个男人，大气才是你的唯一标准。钱不是衡量你是否优秀的准则，我很喜欢一个词就是陋室王侯，30岁的你也说投资失败，证明你也个有能力的人，有经历的人，我希望你不要在钱上过于纠结，该付的就付的，女人看你的钱也很正常，谁不想嫁个有钱人呢~你要理解

3，对于女人要看淡。天涯何处无芳草，你的那个她也就25,6岁吧，如果更老你大可放心，女人不比男人，年龄越大越尴尬，你想他都这么大了，还没和对象，还要相亲，不是看不起别人，就是别人看不起他吗，这样的眼长上天的要他干嘛;如果更小，你也就随意处处，按照你的描述，她是个很在意钱财的人，你想这么小出来相亲，不为爱不问情，就看钱，目的这么明确，她若真心跟你也就算了，她还就直接拒绝了你，以后跟了你，你也有的苦吃，长痛不如短痛，不如现在就看淡的好。

4，至于那句谢谢你，我想他是有点感动了，但这不能说明什么的，一时的感动和一生的相伴能对等吗？

5关于继续追求，看了上面的话，你还是喜欢她的话，我认为你们可以从朋友做起,你也别发什么短信，我们可以做盆友吗之类的，你就有空约他出来吃个饭，大伙出来玩时叫下她什么，以朋友的方式关怀下之类，显得绅士有礼，关怀细致就可以了，就是日久生情战略，应为你们一见钟情基本不可能了，你要是可以感动她，让她觉的你可以托付基本还可以的吧。但是要多久时间，就不知到了，你年龄也不小了，你看这办，是在不行，就放弃吧。

嗯，就这样，祝你爱情顺利！

情感分析（Sentiment analysis，SA），又称倾向性分析、意见抽取（Opinion extraction）、意见挖掘（Opinion mining）、情感挖掘（Sentiment mining）、主观分析（Subjectivity analysis）

情感分析是对带有情感色彩的主观性文本进行分析、处理、归纳和推理的过程

情感分析的目的是为了找出说话者/作者在某些话题上或者针对一个文本两极观点的态度。这个态度或许是他或她的个人判断或是评估，也许是他当时的情感状态（就是说，作者在做出这个言论时的情绪状态），或是作者有意向的情感交流（就是作者想要读者所体验的情绪）

文本情感分析的应用非常广泛，如网络舆情风险分析，信息预测等。如通过Twitter用户情感预测股票走势，**票房、选举结果等，均是将公众情绪与社会事件对比，发现一致性，并用于预测

首先安装SnowNLP中文情感分析库：

SnowNLP（Simplified Chinese Text Processing），是一个python语言编写的类库，可以方便的处理中文文本内容，其开发受到了TextBlob的启发

In [1]:

数据载入

In [2]:

Out[2]:

数据预处理

In [3]:

In [4]:

Out[4]:

In [7]:

Out[7]:

将所有数据打分

In [9]:

Out[9]:

将分数合并会原表格

In [11]:

Out[11]:

计算指标

In [12]:

Out[12]:

In [13]:

Out[13]:

In [14]:

Out[14]:

基础结论：中位数比平均值高很多，说明有少量异常低的评分拉低了均值

In [16]:

Out[16]:

看分数分布情况，直方图最合适

In [17]:

Out[17]:

少量数据，柱状图也可以

In [18]:

Out[18]:

In [19]:

Out[19]:

In [20]:

以分数排序，查看打分准确率

In [22]:

Out[22]:

好评

In [23]:

Out[23]:

In [24]:

Out[24]:

差评

In [25]:

Out[25]:

In [26]:

Out[26]:

In [27]:

Out[27]:

In [28]:

Out[28]:

In [29]:

Out[29]:

In [30]:

Out[30]:

结论

准确率比瞎猜高，但达不到人工打分准确率

SnowNLP库的训练基准数据是基于电商销售产品训练的，对饭店留言数据的打分准确率一般

做情感分析最好用户自行实现（网站增加打分功能，用户自行打分）

微博言论往往带有强烈的情感色彩,对微博言论的情感分析是获取用户观点态度的重要方法。许多学者都是将研究的重点集中在句子词性、情感符号以及情感语料库等方面,然而用户自身的情感倾向性并没有受到足够的重视,因此,提出了一种新的微博情感分类方法,其通过建模用户自身的情感标志得分来帮助识别语句的情感特征,具体地讲,将带有情感信息的微博语句词向量序列输入到长短期记忆网络(LSTM),并将LSTM输出的特征表示与用户情感得分进行结合作为全连接层的输入,并通过Softmax层实现了对微博文本的情感极性分类。实验表明,提出的方法UA-LSTM在情感分类任务上的表现超过的所有基准方法,并且比最优的基准方法MF-CNN在F1值上提升了34%,达到091。

关键词: 情感分析, 长短期记忆网络, 用户情感倾向

Abstract:

Micro-blog's speech often has strong sentimental color, and the sentiment analysis of Micro-blog's speech is an important way to get users' opinions and attitudes Many researchers conduct research via focusing on the parts of speech (POS), emotion symbol and emotion corpus This paper proposes a novel method for Micro-blog sentiment analysis, which aims to identify the sentiment features of a text by modeling user sentiment tendency Specifically, we construct a sentiment information embedded word embedding sequence, and input it into a long short term memory (LSTM) model to get a sentiment embedded output representation Then we merge both the user sentiment tendency score and the output representation of LSTM, and use it as the input of a fully connected layer which is followed by a softmax layer to get the final sentiment classification result The experiment shows that the performance of our proposed method UA-LSTM is better than all the baseline methods on the sentimental classification task, and it achieves the F1-score up to 091, with an improvement of 34% over the best baseline method MF-CNN